A voz clonada ao telefone: como você não vai perceber

Numa tarde de sexta-feira em julho, o telefone tocou na casa de uma senhora de 80 anos em Kühlungsborn, na costa do Mar Báltico, na Alemanha. A pessoa que ligou alegou ser um médico: sua neta havia causado um grave acidente, alguém havia morrido e eram necessários 30 mil euros de fiança, caso contrário ela iria para a prisão. Em seguida, uma mulher assumiu a ligação, apresentando-se como filha da vítima. A polícia de Rostock escreveu em seu comunicado de 27 de julho, traduzido do alemão: “A voz dela se assemelhava tanto à da filha verdadeira que a senhora de 80 anos inicialmente acreditou na história.” A aposentada saiu para buscar o dinheiro. No caminho para Rostock, ela encontrou seu neto de verdade, contou-lhe o que havia acontecido, e ele chamou a polícia. O caso não passou de uma tentativa.

Se uma voz clonada esteve envolvida, ninguém sabe. A polícia não afirma isso, e ninguém verificou. É exatamente aí que começa o problema abordado neste artigo.

Pois o que todas as colunas de conselhos vêm prometendo há anos é uma resposta à pergunta “como ela poderia ter percebido?”. Seis sinais circulam com esse propósito. Eles parecem plausíveis, estão por toda parte e a maioria deles já não é mais verdadeira.

Os seis sinais, analisados um por um

A fonte da lista é a página sobre deepfakes publicada pelo BSI, o Escritório Federal de Segurança da Informação da Alemanha. É o texto que todos vêm copiando desde então.

A página revela sua própria idade. Na seção sobre contramedidas, ela ainda aponta para o “projeto de regulamento sobre sistemas de IA” da Comissão Europeia, que exigiria a rotulagem. Esse projeto já se tornou lei há muito tempo. A Lei de IA entrou em vigor em 1º de agosto de 2024, e suas obrigações de transparência são aplicáveis desde 2 de agosto de 2026.

Dois aspectos se destacam. Primeiro, dois dos sinais mais frequentemente citados não aparecem de forma alguma na página da BSI. Nem “ausência de ruído de fundo” nem “ausência de sons respiratórios” constam ali. Eles surgiram por meio da repetição, sem que qualquer autoridade ou estudo os tenha testado.

Em segundo lugar, dos quatro que restam, o som metálico é o mais conhecido e o mais fraco.

Por que o atraso desapareceu

O BSI lista o “atraso perceptível” como um sinal e o explica tecnicamente: um sistema precisa receber parte do conteúdo antes de poder convertê-lo. Isso costumava ser verdade. Não é mais.

Para entender o motivo, é preciso distinguir dois tipos de tecnologia, ambos chamados de “voz de IA” na linguagem cotidiana.

Na conversão de texto em fala, ou TTS, alguém digita um texto e o sistema o pronuncia. Com a conversão de voz, ou VC, uma pessoa fala e o sistema apenas altera o timbre. A entonação, a emoção, a respiração e a capacidade de responder a uma pergunta provêm, todas, de uma pessoa real.

Para uma ligação em que a vítima faz perguntas e chora, apenas o segundo modelo é utilizável. E ele funciona em tempo real. Uma medição realizada pela empresa Koe AI em um processador de desktop comum, sem placa de vídeo, aponta que o método LLVC apresenta latência de 19,7 milissegundos, o QuickVC de 97,6 e o RVC de 189,8. Uma conexão móvel comum fica entre 100 e 200 milissegundos. Uma camada de conversão de 20 milissegundos desaparece na linha antes que alguém possa ouvi-la.

Isso deixa em aberto a questão do material de origem. “Três segundos são suficientes” é a frase associada a isso em todos os lugares. Ela provém de duas fontes que costumam ser confundidas. A mais séria é o VALL-E, um sistema da Microsoft Research de janeiro de 2023 que realiza a síntese a partir de uma amostra de três segundos, embora a medição tenha sido feita com áudio de audiolivros e gravações de estúdio sem ruídos. A fonte mais popular é um dado de um estudo de maio de 2023 realizado pela empresa de software de segurança McAfee, cuja metodologia nunca foi publicada.

O que as pesquisas atuais medem em relação à fala espontânea do dia a dia parece mais realista. Um estudo de 2026 realizado pelo Barcelona Supercomputing Center registra uma perda de aproximadamente 31% na semelhança do locutor com o sistema F5-TTS quando o material de referência é reduzido de 7,7 para 5,5 segundos. Com o StyleTTS2, a saída torna-se, além disso, parcialmente ininteligível.

Portanto, a distinção correta é a seguinte. Alguns segundos são suficientes para se considerar “reconhecidamente semelhante”. Para que a imitação “se mantenha durante uma ligação telefônica inteira”, é necessário mais tempo; com base nas evidências atuais, algo entre dez e sessenta segundos de fala contínua e nítida. O estudo de Londres, cujos clones realmente não podiam ser diferenciados das vozes reais, utilizou cerca de quatro minutos de material de referência por voz.

A BSI, aliás, tentou isso por conta própria, e esse detalhe é mais notável do que qualquer número. Para um vídeo de demonstração, a agência clonou a voz de seu próprio presidente na época, Arne Schönbohm. Utilizou cerca de dez minutos de áudio extraídos de vídeos disponíveis publicamente que eram, em suas próprias palavras, “apenas de qualidade média”. A frase proferida pela voz falsa diz: “Eu não sou real e, por enquanto, o senhor pode reconhecer esse fato. À medida que a tecnologia amadurecer, no entanto, o senhor terá muita, muita dificuldade em perceber isso.” A segunda parte dessa frase é o tema do restante deste artigo.

A questão tem o outro lado

Em maio de 2026, Nicolas M. Müller e Wei Herng Choong, do Instituto Fraunhofer de Segurança Aplicada e Integrada, publicaram o maior estudo de escuta sobre o tema até o momento. 1.768 participantes, 35.532 avaliações individuais, 138 sistemas de síntese de fala, diretamente comparáveis a um estudo de referência de 2021.

O resultado esperado seria que as pessoas tivessem se tornado menos capazes de identificar falsificações. Esse não é o resultado.

Em relação às falsificações, a precisão permaneceu praticamente inalterada, em 71,2% contra 72,9%. O que sofreu queda foi o outro lado. Em gravações reais, a precisão caiu de 72,7% para 64,1%. As pessoas não se tornaram menos capazes de identificar a síntese. Elas se tornaram menos capazes de acreditar em vozes reais. Os autores chamam isso de “mudança de ceticismo”.

Para uma ligação telefônica às onze e meia da noite, isso significa algo incômodo. Qualquer pessoa que decida ouvir com mais atenção na próxima vez, na maioria das vezes, acaba alterando o limiar a partir do qual passa a desconfiar de sua própria filha. O conselho de prestar atenção ao som torna as coisas visivelmente piores, e não melhores.

Uma segunda constatação do mesmo estudo completa o quadro. Os mais difíceis de detectar não foram os sistemas de pesquisa exóticos, mas os serviços comerciais e os sistemas baseados em modelos de linguagem, com índices de 61,3% a 65,9%. Os mais fáceis de identificar foram os métodos mais antigos e tecnicamente mais simples, com taxas de 75,4% a 76,8%. O que qualquer pessoa pode reservar com um cartão de crédito soa mais real.

Um artigo da Queen Mary University of London publicado na PLOS ONE em setembro de 2025 chega à mesma conclusão. Os clones de voz foram considerados humanos em 58% dos casos nesse estudo, enquanto as vozes reais, na mesma configuração, foram consideradas reais em 62%. Os pesquisadores enfatizam explicitamente que os clones não superam as vozes reais. Seu artigo é intitulado “Clones de voz soam realistas, mas não (ainda) hiper-realistas”. Eles não soam mais reais do que as vozes reais. Soam exatamente tão reais quanto as vozes reais, e isso é inteiramente suficiente.

Um detector automatizado no estudo do Fraunhofer manteve uma precisão acima de 94,5% em todas as condições. As máquinas ainda percebem a diferença. As pessoas, não.

O que os números alemães revelam e o que não revelam

Em 6 de agosto, o Departamento Federal de Polícia Criminal da Alemanha divulgou dados das estatísticas policiais de 2025 sobre criminalidade, a pedido da agência de notícias dpa. A constatação aponta em duas direções. No caso das chamadas fraudulentas envolvendo avós e das chamadas de choque, o número de casos caiu de 6.658 para 4.798, mas os prejuízos ainda assim aumentaram. No caso dos falsos policiais, ambos os números aumentaram, com as perdas crescendo em dois terços. Isso aponta para crimes menos frequentes, porém mais direcionados, com valores individuais mais elevados.

E agora a frase que importa: as estatísticas criminais não registram se a IA esteve envolvida. Para a Alemanha, não há um único dado confiável sobre quantas ligações fraudulentas foram feitas com uma voz clonada. Quem citou um número não o verificou.

Isso não impede que tais números circulem. O valor mais citado, de perdas totais de 10,6 bilhões de euros, provém de uma pesquisa com 2.000 consumidores realizada pela Global Anti-Scam Alliance em junho de 2025 e abrange todas as formas de fraude, não apenas a fraude por IA. Com o tempo, esse número se transformou em uma estimativa do Departamento Federal de Polícia Criminal e da Europol, que nenhuma das duas agências chegou a divulgar. O mesmo ocorre com o suposto meio milhão de chamadas fraudulentas que a Agência Federal de Redes teria registrado em janeiro de 2026. Esse número provém de um aplicativo de identificação de chamadas e contabiliza denúncias de sua própria base de usuários.

O que as autoridades realmente afirmam é mais cauteloso. O Departamento Federal de Polícia Criminal informou à dpa que simular uma voz convincente de um neto é, traduzido do alemão, “possível mesmo sem profundo conhecimento técnico, utilizando sistemas de IA amplamente acessíveis”. Trata-se de uma declaração sobre a possibilidade, não de um relato de caso. Na página da polícia alemã dedicada à prevenção de crimes envolvendo chamadas de susto, a inteligência artificial e a clonagem de voz ainda não aparecem até o momento.

Um caso recente mostra por que a cautela é justificada. Em 29 de abril de 2026, a polícia do Alto Palatinado relatou três fraudes por chamadas de susto consumadas em uma única tarde em Regensburg e Amberg. Todas as três conversas foram conduzidas em russo, visando deliberadamente aposentados que falam russo. Alguém que se comunica com fluência em russo e reage com flexibilidade às perguntas de uma pessoa de 89 anos é, sem dúvida, um ser humano ao telefone.

O que realmente ajuda

Se ouvir não funcionar, a única opção que resta é mudar de assunto. Tudo o que é eficaz decorre dessa única ideia.

Desligue e ligue de volta você mesmo. A polícia alemã explica isso da seguinte forma em seu site de prevenção, traduzido do alemão: “Desligue imediatamente. Isso não é falta de educação; dá a você espaço para respirar e organizar seus pensamentos.” E: “Entre em contato com a pessoa que ligou, ou com alguém em quem você confia, por um número que você já conheça.” A última parte é o que importa. Não a tecla de rediscagem, mas o número da sua própria agenda, pois os números exibidos podem ser falsificados.

Uma palavra-código ou uma pergunta que somente a pessoa real possa responder. A polícia recomenda combinar uma “palavra-código para identificação ao telefone”, e a delegacia do Alto Palatinado acrescenta que ela deve ser fácil de lembrar e difícil de adivinhar. Em sua página sobre golpes contra idosos, a mesma autoridade recomenda a variante mais robusta: “Pergunte à pessoa que ligou sobre coisas que somente o parente ou conhecido real poderia saber.” Uma palavra-código pode ser esquecida em um momento de choque. O apelido do cão da família de 1998 não pode ser esquecido, e nenhum modelo de linguagem é capaz de adivinhá-lo, pois essa informação não existe em lugar algum.

Há uma ressalva a ser feita aqui. Quem liga responde às perguntas com choro, pressão de tempo e a transferência da ligação para um suposto advogado. Perguntar por si só não é suficiente. A sequência deve ser: desligar e, em seguida, ligar de volta.

Altere sua inscrição na lista telefônica. Esse é o conselho mais eficaz e menos conhecido. Em sua página sobre o golpe dos avós, a polícia alemã é excepcionalmente direta; traduzido do alemão: “Os fraudadores usam as inscrições na lista telefônica para selecionar vítimas para fraudes por telefone. Nomes próprios antigos ou números de telefone curtos indicam que há uma pessoa idosa por trás do registro.” Quem quiser permanecer na lista deve ter seu nome próprio abreviado. Na mesma página, há um formulário pronto para ser enviado à operadora de telefonia. Para vítimas de fraude telefônica, a alteração do número geralmente é gratuita.

Não entregue nada e ligue para o 110 em caso de dúvida. A recomendação da polícia é mais sucinta do que qualquer explicação: “Nunca entregue dinheiro ou objetos de valor, como joias, a estranhos, nem mesmo à polícia.” Denuncie o caso, mesmo que tenha sido apenas uma tentativa. Essa é a única maneira de identificar padrões.

A nova obrigação de rotulagem não ajuda nesse caso

As obrigações de transparência da Lei de IA estão em vigor desde 2 de agosto de 2026. Em 5 de agosto, o centro de orientação ao consumidor da Baviera resumiu o que isso significa e citou exatamente este caso, traduzido do alemão: “Isso inclui expressamente vozes sintéticas. Qualquer pessoa que receba uma ligação ou uma mensagem de voz criada com uma voz clonada deve ser informada sobre isso.”

Formalmente, a obrigação recai sobre quem faz a ligação, e a isenção para uso puramente privado e não profissional não abrange uma quadrilha que atua comercialmente. Na prática, isso não muda nada para a vítima. Ninguém cumpre um dever de divulgação que anularia o objetivo do crime. A aplicação é feita administrativamente, com multas de até 15 milhões de euros, contra empresas com endereço e faturamento, e não contra autores de chamadas anônimas no exterior. No direito penal, continua sendo fraude nos termos do artigo 263 do Código Penal alemão, exatamente como antes.

Tatjana Halm, diretora jurídica e de assuntos digitais do Centro de Orientação ao Consumidor da Baviera, afirma isso ela mesma, traduzido do alemão: “As novas regras trazem mais transparência. Mas os fraudadores não seguem regras; portanto, a ausência de um selo não é garantia de segurança.”

Essa é a frase que substitui toda a lista de verificação. Não há selo a ser aguardado nem som a ser ouvido. Há apenas o segundo canal.